經過案例對SparkStreaming透徹理解-2

 

咱們知道Spark Core處理的每一步都是基於RDD的，RDD之間有依賴關係。上圖中的RDD的DAG顯示的是有3個Action，會觸發3個job，RDD自下向上依賴，RDD產生job就會具體的執行。從DSteam Graph中能夠看到，DStream的邏輯與RDD基本一致，它就是在RDD的基礎上加上了時間的依賴。RDD的DAG又能夠叫空間維度，也就是說整個Spark Streaming多了一個時間維度，也能夠成爲時空維度。

 

從這個角度來說，能夠將Spark Streaming放在座標系中。其中Y軸就是對RDD的操做，RDD的依賴關係構成了整個job的邏輯，而X軸就是時間。隨着時間的流逝，固定的時間間隔（Batch Interval）就會生成一個job實例，進而在集羣中運行。

 

 

對於Spark Streaming來講，當不一樣的數據來源的數據流進來的時候，基於固定的時間間隔，會造成一系列固定不變的數據集或event集合（例如來自flume和kafka）。而這正好與RDD基於固定的數據集不謀而合，事實上，由DStream基於固定的時間間隔造成的RDD Graph正是基於某一個batch的數據集的。

 

從上圖中能夠看出，在每個batch上，空間維度的RDD依賴關係都是同樣的，不一樣的是這個五個batch流入的數據規模和內容不同，因此說生成的是不一樣的RDD依賴關係的實例，因此說RDD的Graph脫胎於DStream的Graph，也就是說DStream就是RDD的模版，不一樣的時間間隔，生成不一樣的RDD Graph實例。

// DStream.scala line 65
// =======================================================================
// Methods that should be implemented by subclasses of DStream
// =======================================================================

/** Time interval after which the DStream generates a RDD */
def slideDuration: Duration

/** List of parent DStreams on which this DStream depends on */
def dependencies: List[DStream[_]]

/** Method that generates a RDD for the given time */
def compute(validTime: Time): Option[RDD[T]]

DStream也有dependencies和compute

// DStream.scala line 83
// RDDs generated, marked as private[streaming] so that testsuites can access it
@transient
private[streaming] var generatedRDDs = new HashMap[Time, RDD[T]] ()

這是一個HashMap，以時間爲key，以RDD爲value，這也正應證了隨着時間流逝，不斷的生成RDD，產生依賴關係的job，並經過jobScheduler在集羣上運行。再次驗證了DStream就是RDD的模版。

 

DStream能夠說是邏輯級別的，RDD就是物理級別的，DStream所表達的最終都是經過RDD的轉化實現的。前者是更高級別的抽象，後者是底層的實現。DStream實際上就是在時間維度上對RDD集合的封裝，DStream與RDD的關係就是隨着時間流逝不斷的產生RDD，對DStream的操做就是在固定時間上操做RDD。

 

總結：

　　在空間維度上的業務邏輯做用於DStream，隨着時間的流逝，每一個Batch Interval造成了具體的數據集，產生了RDD，對RDD進行transform操做，進而造成了RDD的依賴關係RDD DAG，造成job。而後jobScheduler根據時間調度，基於RDD的依賴關係，把做業發佈到Spark Cluster上去運行，不斷的產生Spark做業。